KIND：一种受卡尔曼启发的 SRF 腔体失谐自适应估计器
系统与控制
2026-05-13 v1 系统与控制
摘要
具有高品质因数的超导射频腔体能够实现高能效加速器运行，但对导致其谐振失谐的机械扰动极为敏感。因此，精确的失谐估计对于高效的谐振控制和稳定的束流条件至关重要。本文介绍了受卡尔曼启发的神经分解（Kalman-Inspired Neural Decomposition, KIND），这是一种数据驱动的估计器，它将用于稳态模态行为的动态模式分解模型与用于瞬态动力学的基于 Transformer 的预测器相融合。KIND 进一步输出指示状态变化的学习不确定性信号，从而实现异常检测。利用运行中的腔体数据，我们将 KIND 与经典的卡尔曼滤波基线进行比较，并探讨其作为未来基于预测的不确定性感知控制基础的潜力。
引用
@article{arxiv.2605.11957,
title = {KIND: A Kalman-Inspired Adaptive Estimator for SRF Cavity Detuning},
author = {Andrei Maalberg and Axel Neumann and Pablo Echevarria and Andriy Ushakov and Jens Knobloch},
journal= {arXiv preprint arXiv:2605.11957},
year = {2026}
}
备注
Accepted for publication at the 2026 IFAC World Congress (IFAC 2026). 6 pages